[发明专利]一种分布式多机器人协同过未知随机迷宫的编队导航方法

说明书

本发明涉及一种分布式多机器人协同过未知随机迷宫的编队导航方法，包括以下步骤：步骤一：获取观察数据；步骤二：用特征提取层从输入的观察数据中提取特征；步骤三：将特征输入群体规划模块，获得估计的机器人群体运动方向；步骤四：将特征提取层输出的特征和群体规划模块输出的运动方向输入运动控制模块，获得当前机器人的运动方向。通过在神经网络中引入记忆模块，使得神经网络具备解决复杂情况的能力，如重复进入死胡同；神经网络利用输入的局部观察来估计整个机器人群的平均位置的移动方向而不是单个机器人的移动方向，保证方法的非中心化属性，降低运算量，提高鲁棒性。

技术领域

本发明涉及机器人导航领域，更具体地，涉及一种分布式多机器人协同过未知随机迷宫的编队导航方法。

背景技术

多机器人编队导航在搜索、救援等领域中有广泛的应用，现有的实现多机器人协同导航的技术可以分为两类，一类是基于规则的方法，如领航者跟随者法、人工势场法等方法，这些基于规则的方法要在一个初始时未知的环境中实现导航，需要先通过传感器的数据建立环境地图，然后在此基础上进行导航规划，而实时建图的计算量较大，从而难以保持实时性，使机器人更容易发生碰撞。

另一类方法是基于学习的方法，通过构造一个端到端的神经网络，既输入为机器人的传感器数据而输出为机器人的运动控制信号。使用这类方法可以不用显式地建立环境地图，从而提高计算速度。但该方法大部分都是只能应用于单机器人的情况下的，而多机器人的情况下应用基于学习的方法则主要集中在研究避碰这一方面，而对于在复杂环境中进行导航则没有特别地进行设计，往往都设计成不具有记忆能力，所以当遇到初始时环境未知的情况时，就无法解决一些需要带有记忆能力的网络才能解决的情况，如遇到死胡同，遇到死胡同时由于初始时地图未知的原因，机器人必须先进入探索后才会了解，但网络没有记忆能力时，机器人会在离开死胡同后直接遗忘，从而可能重新返回死胡同而无法完成导航。该类型的方法还会遇到两个问题，一个是多个机器人生成的导航路径可能不一致，从而可能导致机器人间由于生成的路径不一致发生碰撞而导航失败；而另一个是若通信距离有限则有时机器人之间会因为距离过大而失联，从而使得输入大小发生变化，而神经网络由于结构固定而难以处理这种情况。

发明内容

本发明为克服上述现有技术中基于规则的方法计算量大和基于学习的方法无法处理复杂环境的问题，提供一种分布式多机器人协同过未知随机迷宫的编队导航方法，用神经网络搭建非中心化控制器降低运算量，同时在神经网络的设计中引入记忆模块，使神经网络具备解决复杂情况的能力。

为解决上述技术问题，本发明采用的技术方案是：提供一种分布式多机器人协同过未知随机迷宫的编队导航方法，通过神经网络搭建控制器，所述控制器的导航方法包括以下步骤：

步骤一：获取观察数据；通过机器人上安装的测距器，得到t时刻，机器人的局部观测通过机器人的定位系统获得机器人各自的位置和朝向

步骤二：用特征提取层从输入的观察数据中提取特征，即不同的全连接层神经网络分别从不同类型的观察数据中提取特征其中f_l为从局部观测提取到的特征，f_m为从其它机器人的状态中提取到的特征，得到的特征作为特征提取层的输出；

步骤三：将特征输入群体规划模块，获得估计的机器人群体运动方向；所述群体规划模块主要由三个部分组成：可扩展特征合并层、记忆模块和值迭代网络；

具体的步骤为：

S3.1：将特征提取层得到的不定大小的特征输入可扩展特征合并层，将其合并为同样大小的特征；

S3.2：使用合并后的特征更新记忆模块；记忆模块将迷宫区域划分为n×n个子区域，每个子区域申请大小为m的记忆空间从而构成大小为m×n×n的记忆空间